จับตาดูวัวของคุณโดยใช้เทคโนโลยี AI | อเมซอนเว็บเซอร์วิส

At Amazon Web Services (AWS)เราไม่เพียงแต่มีความกระตือรือร้นในการให้บริการลูกค้าด้วยโซลูชันทางเทคนิคที่ครอบคลุมที่หลากหลายเท่านั้น แต่เรายังกระตือรือร้นในการทำความเข้าใจกระบวนการทางธุรกิจของลูกค้าอย่างลึกซึ้งอีกด้วย เราใช้มุมมองของบุคคลที่สามและการตัดสินตามวัตถุประสงค์เพื่อช่วยให้ลูกค้าแยกแยะคุณค่าที่นำเสนอ รวบรวมปัญหา เสนอวิธีแก้ปัญหาที่เหมาะสม และสร้างต้นแบบที่คุ้มต้นทุนและใช้งานได้มากที่สุดเพื่อช่วยให้พวกเขาบรรลุเป้าหมายทางธุรกิจอย่างเป็นระบบ

วิธีนี้เรียกว่า ทำงานไปข้างหลัง ที่ AWS หมายถึงการละทิ้งเทคโนโลยีและโซลูชัน โดยเริ่มจากผลลัพธ์ที่คาดหวังของลูกค้า การยืนยันคุณค่าของลูกค้า จากนั้นสรุปสิ่งที่ต้องทำในลำดับย้อนกลับก่อนที่จะนำโซลูชันไปใช้งานในที่สุด ในระหว่างขั้นตอนการดำเนินการ เรายังปฏิบัติตามแนวคิดของ ผลิตภัณฑ์ที่มีศักยภาพขั้นต่ำ และมุ่งมั่นที่จะสร้างต้นแบบที่สามารถสร้างมูลค่าได้อย่างรวดเร็วภายในไม่กี่สัปดาห์ จากนั้นจึงทำซ้ำ

วันนี้ เราจะมาทบทวนกรณีศึกษาที่ AWS และ New Hope Dairy ร่วมมือกันเพื่อสร้างฟาร์มอัจฉริยะบนคลาวด์ จากบล็อกโพสต์นี้ คุณจะมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับสิ่งที่ AWS สามารถมอบให้ในการสร้างฟาร์มอัจฉริยะ และวิธีสร้างแอปพลิเคชันฟาร์มอัจฉริยะบนระบบคลาวด์ร่วมกับผู้เชี่ยวชาญของ AWS

พื้นหลังโครงการ

นมเป็นเครื่องดื่มที่มีคุณค่าทางโภชนาการ เมื่อคำนึงถึงสุขภาพของชาติ จีนได้ส่งเสริมการพัฒนาอุตสาหกรรมนมอย่างแข็งขัน จากข้อมูลจาก Euromonitor International ยอดขายผลิตภัณฑ์นมในจีนมีมูลค่าสูงถึง 638.5 พันล้านหยวนในปี 2020 และคาดว่าจะสูงถึง 810 พันล้านหยวนในปี 2025 นอกจากนี้ อัตราการเติบโตต่อปีในช่วง 14 ปีที่ผ่านมาก็สูงถึงร้อยละ 10 เช่นกัน แสดงให้เห็นพัฒนาการที่รวดเร็ว

ในทางกลับกัน ในปี 2022 รายได้ส่วนใหญ่ในอุตสาหกรรมนมของจีนยังคงมาจากนมเหลว น้ำนมดิบหกสิบเปอร์เซ็นต์ใช้สำหรับนมเหลวและโยเกิร์ต และอีก 20 เปอร์เซ็นต์เป็นนมผงซึ่งเป็นอนุพันธ์ของนมเหลว ใช้ในปริมาณเพียงเล็กน้อยเท่านั้นสำหรับผลิตภัณฑ์แปรรูปสูง เช่น ชีสและครีม

นมเหลวเป็นผลิตภัณฑ์ที่ผ่านการแปรรูปเพียงเล็กน้อย และผลผลิต คุณภาพ และราคามีความเชื่อมโยงอย่างใกล้ชิดกับน้ำนมดิบ ซึ่งหมายความว่าหากอุตสาหกรรมนมต้องการเพิ่มกำลังการผลิตเพื่อมุ่งเน้นไปที่การผลิตผลิตภัณฑ์ที่มีการแปรรูปสูง สร้างผลิตภัณฑ์ใหม่ และดำเนินการวิจัยด้านเทคโนโลยีชีวภาพที่เป็นนวัตกรรมมากขึ้น อุตสาหกรรมนั้นจะต้องปรับปรุงและทำให้การผลิตและคุณภาพของน้ำนมดิบมีความเสถียรก่อน

ในฐานะผู้นำอุตสาหกรรมนม New Hope Dairy กำลังคิดหาวิธีปรับปรุงประสิทธิภาพของการดำเนินงานในฟาร์มและเพิ่มการผลิตและคุณภาพของน้ำนมดิบ New Hope Dairy หวังว่าจะใช้มุมมองของบุคคลที่สามและความเชี่ยวชาญทางเทคโนโลยีของ AWS เพื่ออำนวยความสะดวกด้านนวัตกรรมในอุตสาหกรรมนม ด้วยการสนับสนุนและการเลื่อนตำแหน่งจาก Liutong Hu รองประธานและ CIO ของ New Hope Dairy ทีมลูกค้า AWS เริ่มจัดระเบียบการดำเนินงานและจุดนวัตกรรมที่มีศักยภาพสำหรับฟาร์มโคนม

ความท้าทายฟาร์มโคนม

AWS เป็นผู้เชี่ยวชาญในด้านเทคโนโลยีคลาวด์ แต่ในการนำนวัตกรรมมาใช้ในอุตสาหกรรมนม จำเป็นต้องมีคำแนะนำอย่างมืออาชีพจากผู้เชี่ยวชาญด้านนม ดังนั้นเราจึงทำการสัมภาษณ์เชิงลึกหลายครั้งกับ Liangrong Song รองผู้อำนวยการศูนย์เทคโนโลยีการผลิตของ New Hope Dairy ทีมผู้บริหารฟาร์มปศุสัตว์ และนักโภชนาการ เพื่อทำความเข้าใจปัญหาและความท้าทายบางประการที่ฟาร์มต้องเผชิญ

ประการแรกคือการจัดทำรายการวัวสำรอง

โคนมในฟาร์มแบ่งออกเป็น XNUMX ประเภท คือ โคนม และ วัวสำรอง. โคนมโตเต็มที่และผลิตนมได้อย่างต่อเนื่อง ในขณะที่วัวสำรองคือวัวที่ยังไม่ถึงอายุที่จะผลิตนม ฟาร์มขนาดใหญ่และขนาดกลางมักจะจัดให้มีพื้นที่กิจกรรมเปิดกว้างสำหรับวัวสำรองเพื่อสร้างสภาพแวดล้อมในการเจริญเติบโตที่สะดวกสบายยิ่งขึ้น

อย่างไรก็ตาม ทั้งโคนมและวัวสำรองเป็นทรัพย์สินของฟาร์มและต้องมีสินค้าคงคลังทุกเดือน โคนมถูกรีดนมทุกวัน และเนื่องจากพวกมันค่อนข้างนิ่งในระหว่างการรีดนม การติดตามสินค้าคงคลังจึงเป็นเรื่องง่าย อย่างไรก็ตาม วัวสำรองอยู่ในพื้นที่โล่งและเดินเตร่อย่างอิสระ ซึ่งทำให้ไม่สะดวกในการจัดเก็บ แต่ละครั้งที่มีการตรวจนับสินค้าคงคลัง คนงานหลายคนจะนับวัวสำรองซ้ำๆ จากพื้นที่ต่างๆ และสุดท้ายจะมีการตรวจสอบตัวเลข กระบวนการนี้ใช้เวลาหนึ่งถึงสองวันสำหรับคนทำงานหลายคน และมักจะมีปัญหาในการจัดจำนวนนับหรือไม่แน่ใจว่านับวัวแต่ละตัวหรือไม่

สามารถประหยัดเวลาได้มากถ้าเรามีวิธีสำรองโคอย่างรวดเร็วและแม่นยำ

ประการที่สองคือการระบุวัวง่อย

ปัจจุบันบริษัทนมส่วนใหญ่ใช้สายพันธุ์ที่มีชื่อว่า โฮล เพื่อผลิตนม โฮลสไตน์เป็นวัวขาวดำที่พวกเราส่วนใหญ่คุ้นเคย แม้ว่าบริษัทนมส่วนใหญ่จะใช้พันธุ์เดียวกัน แต่ก็ยังมีความแตกต่างในด้านปริมาณและคุณภาพการผลิตนมระหว่างบริษัทและฟาร์มต่างๆ เนื่องจากสุขภาพของโคนมส่งผลโดยตรงต่อการผลิตน้ำนม

อย่างไรก็ตาม วัวไม่สามารถแสดงอาการไม่สบายได้ด้วยตัวเองเหมือนกับที่มนุษย์สามารถทำได้ และสัตวแพทย์จะตรวจร่างกายวัวหลายพันตัวเป็นประจำก็ไม่ใช่เรื่องที่เป็นประโยชน์ ดังนั้นเราจึงต้องใช้ตัวชี้วัดภายนอกเพื่อตัดสินสถานะสุขภาพของวัวอย่างรวดเร็ว

ตัวชี้วัดภายนอกด้านสุขภาพของวัว ได้แก่ คะแนนสภาพร่างกาย และ ระดับความเกียจคร้าน. คะแนนสภาพร่างกายสัมพันธ์กับเปอร์เซ็นต์ไขมันในร่างกายของวัวเป็นส่วนใหญ่ และเป็นตัวบ่งชี้ระยะยาว ในขณะที่อาการขาเจ็บเป็นตัวบ่งชี้ระยะสั้นที่เกิดจากปัญหาที่ขาหรือการติดเชื้อที่เท้า และปัญหาอื่นๆ ที่ส่งผลต่ออารมณ์ สุขภาพ และการผลิตน้ำนมของวัว นอกจากนี้ วัวโฮลชไตน์ที่โตเต็มวัยสามารถมีน้ำหนักได้มากกว่า 500 กิโลกรัม ซึ่งอาจเป็นอันตรายต่อเท้าของพวกมันได้หากพวกมันไม่มั่นคง ดังนั้นเมื่อเกิดอาการขาเจ็บ สัตวแพทย์ควรเข้ามาแทรกแซงโดยเร็วที่สุด

จากการศึกษาในปี 2014 สัดส่วนของวัวที่ขาพิการอย่างรุนแรงในจีนอาจสูงถึง 31 เปอร์เซ็นต์ แม้ว่าสถานการณ์อาจจะดีขึ้นนับตั้งแต่การศึกษา แต่จำนวนสัตวแพทย์ในฟาร์มมีจำกัดอย่างมาก ทำให้ยากต่อการเฝ้าติดตามวัวเป็นประจำ เมื่อตรวจพบอาการขาเจ็บ สถานการณ์มักจะรุนแรง และการรักษาใช้เวลานานและยากลำบาก และส่งผลต่อการผลิตน้ำนมแล้ว

หากเรามีวิธีการตรวจพบอาการขาเจ็บในวัวได้ทันท่วงที และให้สัตวแพทย์เข้ามาแทรกแซงในระยะอาการขาเจ็บเล็กน้อย สุขภาพโดยรวมและการผลิตน้ำนมของวัวก็จะเพิ่มขึ้น และประสิทธิภาพของฟาร์มก็จะดีขึ้น

สุดท้ายนี้ มีการเพิ่มประสิทธิภาพต้นทุนฟีด

ภายในอุตสาหกรรมปศุสัตว์ อาหารสัตว์เป็นต้นทุนผันแปรที่ใหญ่ที่สุด เพื่อให้มั่นใจในคุณภาพและสินค้าคงคลังของอาหารสัตว์ ฟาร์มมักจะจำเป็นต้องซื้อส่วนผสมอาหารสัตว์จากซัพพลายเออร์ในประเทศและต่างประเทศ และส่งไปยังโรงงานกำหนดสูตรอาหารสัตว์เพื่อดำเนินการ ส่วนผสมอาหารสัตว์สมัยใหม่มีหลายประเภท รวมถึงกากถั่วเหลือง ข้าวโพด อัลฟัลฟา หญ้าข้าวโอ๊ต และอื่นๆ ซึ่งหมายความว่ายังมีตัวแปรมากมายที่มีบทบาทอยู่ ส่วนผสมอาหารสัตว์แต่ละประเภทมีวงจรราคาและความผันผวนของราคาของตัวเอง ในช่วงที่มีความผันผวนอย่างมาก ต้นทุนรวมของอาหารสัตว์อาจผันผวนได้มากกว่า 15 เปอร์เซ็นต์ ซึ่งส่งผลกระทบอย่างมีนัยสำคัญ

ต้นทุนอาหารสัตว์มีความผันผวน แต่ราคาผลิตภัณฑ์นมค่อนข้างคงที่ในระยะยาว ด้วยเหตุนี้ ภายใต้เงื่อนไขที่ไม่เปลี่ยนแปลง กำไรโดยรวมจึงอาจผันผวนอย่างมีนัยสำคัญเนื่องจากการเปลี่ยนแปลงต้นทุนอาหารสัตว์

เพื่อหลีกเลี่ยงความผันผวนนี้ จึงจำเป็นต้องพิจารณาจัดเก็บส่วนผสมมากขึ้นเมื่อราคาต่ำ แต่การเลี้ยงสัตว์ยังต้องพิจารณาด้วยว่าราคาอยู่ที่รางจริงหรือไม่ และควรซื้ออาหารสัตว์ปริมาณเท่าใดตามอัตราการบริโภคในปัจจุบัน

หากเรามีวิธีการคาดการณ์การบริโภคอาหารสัตว์อย่างแม่นยำและผสมผสานกับแนวโน้มราคาโดยรวมเพื่อแนะนำเวลาและปริมาณอาหารสัตว์ที่ดีที่สุดในการซื้อ เราก็จะสามารถลดต้นทุนและเพิ่มประสิทธิภาพในฟาร์มได้

เห็นได้ชัดว่าปัญหาเหล่านี้เกี่ยวข้องโดยตรงกับเป้าหมายในการปรับปรุงของลูกค้า ประสิทธิภาพการดำเนินงานฟาร์มและวิธีการตามลำดับ ปลดปล่อยแรงงาน, เพิ่มการผลิต และ ลดต้นทุน. เราเลือกผ่านการอภิปรายเกี่ยวกับความยากและคุณค่าของการแก้ปัญหาแต่ละประเด็น เพิ่มการผลิต เป็นจุดเริ่มต้นและให้ความสำคัญในการแก้ไขปัญหาวัวขาพิการ

การวิจัยศึกษา

ก่อนจะพูดถึงเทคโนโลยีจะต้องมีการวิจัยก่อน การวิจัยนี้ดำเนินการร่วมกันโดยทีมลูกค้า AWS ซึ่งก็คือ ศูนย์นวัตกรรม AWS Generative AIซึ่งจัดการโมเดลอัลกอริทึมการเรียนรู้ของเครื่อง และ ฉลาก AWS AI เซี่ยงไฮ้ซึ่งให้คำปรึกษาเกี่ยวกับอัลกอริทึมเกี่ยวกับการวิจัยการมองเห็นด้วยคอมพิวเตอร์ล่าสุดและทีมผู้เชี่ยวชาญด้านการทำฟาร์มจาก New Hope Dairy การวิจัยแบ่งออกเป็นหลายส่วน:

• ทำความเข้าใจวิธีการระบุวัวง่อยโดยใช้กระดาษแบบดั้งเดิม และพัฒนาความเข้าใจพื้นฐานว่าวัวง่อยคืออะไร
• การยืนยันโซลูชันที่มีอยู่ รวมถึงโซลูชันที่ใช้ในฟาร์มและในอุตสาหกรรม
• ดำเนินการวิจัยสภาพแวดล้อมฟาร์มเพื่อทำความเข้าใจสถานการณ์ทางกายภาพและข้อจำกัด

จากการศึกษาเอกสารและการดูวิดีโอในสถานที่ ทีมงานได้รับความเข้าใจพื้นฐานเกี่ยวกับวัวง่อย ผู้อ่านยังสามารถเข้าใจแนวคิดพื้นฐานเกี่ยวกับท่าทางของวัวง่อยได้จากภาพเคลื่อนไหวด้านล่าง

ตรงกันข้ามกับวัวที่ค่อนข้างแข็งแรง

วัวง่อยมีท่าทางและการเดินที่แตกต่างกันอย่างเห็นได้ชัด เมื่อเทียบกับวัวที่มีสุขภาพดี

สำหรับแนวทางแก้ไขที่มีอยู่ ฟาร์มส่วนใหญ่อาศัยการตรวจสอบด้วยสายตาโดยสัตวแพทย์และนักโภชนาการเพื่อระบุวัวขาพิการ ในอุตสาหกรรม มีโซลูชันที่ใช้เครื่องนับก้าวและมาตรความเร่งที่สวมใส่ได้เพื่อระบุตัวตน รวมถึงโซลูชันที่ใช้สะพานชั่งน้ำหนักแบบแบ่งส่วนเพื่อระบุตัวตน แต่ทั้งสองอย่างมีราคาค่อนข้างแพง สำหรับอุตสาหกรรมนมที่มีการแข่งขันสูง เราจำเป็นต้องลดต้นทุนการระบุตัวตน ต้นทุน และการพึ่งพาฮาร์ดแวร์ที่ไม่ใช่แบบทั่วไปให้เหลือน้อยที่สุด

หลังจากพูดคุยและวิเคราะห์ข้อมูลกับสัตวแพทย์ในฟาร์มและนักโภชนาการแล้ว ผู้เชี่ยวชาญของ AWS Generative AI Innovation Center ได้ตัดสินใจใช้คอมพิวเตอร์วิทัศน์ (CV) เพื่อระบุตัวตน โดยอาศัยเฉพาะฮาร์ดแวร์ธรรมดาเท่านั้น นั่นคือกล้องวงจรปิดของพลเรือน ซึ่งไม่เพิ่มภาระใดๆ เพิ่มเติมให้กับ วัวและลดต้นทุนและอุปสรรคในการใช้งาน

หลังจากตัดสินใจเลือกทิศทางนี้แล้ว เราได้ไปเยี่ยมชมฟาร์มขนาดกลางที่มีวัวหลายพันตัวในสถานที่ ตรวจสอบสภาพแวดล้อมในฟาร์ม และกำหนดตำแหน่งและมุมในการวางกล้อง

ข้อเสนอเบื้องต้น

ตอนนี้สำหรับการแก้ปัญหา หัวใจสำคัญของโซลูชัน CV ของเราประกอบด้วยขั้นตอนต่อไปนี้:

• บัตรประจำตัววัว: ระบุวัวหลายตัวในวิดีโอเฟรมเดียวและทำเครื่องหมายตำแหน่งของวัวแต่ละตัว
• การติดตามวัว: ในขณะที่กำลังบันทึกวิดีโอ เราจำเป็นต้องติดตามวัวอย่างต่อเนื่องเมื่อเฟรมเปลี่ยนไป และกำหนดหมายเลขเฉพาะให้กับวัวแต่ละตัว
• เครื่องหมายท่าทาง: ลดมิติของการเคลื่อนไหวของวัวโดยการแปลงภาพวัวเป็นจุดที่ทำเครื่องหมายไว้
• การระบุความผิดปกติ: ระบุความผิดปกติในไดนามิกของจุดที่ทำเครื่องหมายไว้
• อัลกอริทึมวัวง่อย: ปรับความผิดปกติให้เป็นมาตรฐานเพื่อให้ได้คะแนนเพื่อกำหนดระดับอาการขาเจ็บของวัว
• การกำหนดเกณฑ์: รับเกณฑ์ตามข้อมูลของผู้เชี่ยวชาญ

ตามการตัดสินของผู้เชี่ยวชาญ AWS Generative AI Innovation Center ขั้นตอนแรกๆ จะเป็นข้อกำหนดทั่วไปที่สามารถแก้ไขได้โดยใช้โมเดลโอเพ่นซอร์ส ในขณะที่ขั้นตอนหลังกำหนดให้เราต้องใช้วิธีการทางคณิตศาสตร์และการแทรกแซงของผู้เชี่ยวชาญ

ความยากลำบากในการแก้ปัญหา

เพื่อสร้างสมดุลระหว่างต้นทุนและประสิทธิภาพ เราเลือกรุ่น yolov5l ซึ่งเป็นรุ่นก่อนการฝึกอบรมขนาดกลางสำหรับการจดจำวัว โดยมีความกว้างอินพุต 640 พิกเซล ซึ่งให้ความคุ้มค่าที่ดีสำหรับฉากนี้

แม้ว่า YOLOv5 จะรับผิดชอบในการจดจำและแท็กวัวในภาพเดียว แต่ในความเป็นจริงแล้ว วิดีโอจะประกอบด้วยภาพหลายภาพ (เฟรม) ที่เปลี่ยนแปลงอย่างต่อเนื่อง YOLOv5 ไม่สามารถระบุได้ว่าวัวในเฟรมที่ต่างกันเป็นของบุคคลคนเดียวกัน ในการติดตามและค้นหาวัวในหลายภาพ จำเป็นต้องมีโมเดลอื่นที่เรียกว่า SORT

เรียงลำดับย่อมาจาก การติดตามออนไลน์และเรียลไทม์ที่เรียบง่ายที่นี่มี ออนไลน์ หมายความว่าจะพิจารณาเฉพาะเฟรมปัจจุบันและเฟรมก่อนหน้าเพื่อติดตามโดยไม่คำนึงถึงเฟรมอื่น ๆ และ เรียลไทม์ หมายความว่าสามารถระบุตัวตนของวัตถุได้ทันที

หลังจากการพัฒนา SORT วิศวกรจำนวนมากได้นำไปใช้และปรับให้เหมาะสม ซึ่งนำไปสู่การพัฒนา OC-SORT ซึ่งพิจารณารูปลักษณ์ของวัตถุ DeepSORT (และเวอร์ชันอัปเกรด StrongSORT) ซึ่งรวมถึงรูปลักษณ์ของมนุษย์ และ ByteTrack ซึ่งใช้ ตัวเชื่อมโยงการเชื่อมโยงแบบสองขั้นตอนเพื่อพิจารณาการยอมรับความเชื่อมั่นต่ำ หลังการทดสอบ เราพบว่าสำหรับฉากของเรา อัลกอริธึมการติดตามการปรากฏตัวของ DeepSORT เหมาะสำหรับมนุษย์มากกว่าวัว และความแม่นยำในการติดตามของ ByteTrack นั้นอ่อนกว่าเล็กน้อย ด้วยเหตุนี้ เราจึงเลือก OC-SORT เป็นอัลกอริธึมการติดตามของเราในที่สุด

ต่อไป เราใช้ DeepLabCut (เรียกสั้นๆ ว่า DLC) เพื่อทำเครื่องหมายจุดโครงกระดูกของวัว DLC เป็นโมเดลที่ไม่มีเครื่องหมาย ซึ่งหมายความว่าถึงแม้จุดที่แตกต่างกัน เช่น ศีรษะและแขนขา อาจมีความหมายที่แตกต่างกัน แต่ทั้งหมดเป็นเพียง จุด สำหรับ DLC ซึ่งเพียงแต่เราจะต้องทำเครื่องหมายจุดและฝึกฝนโมเดลเท่านั้น

สิ่งนี้นำไปสู่คำถามใหม่: เราควรทำเครื่องหมายวัวแต่ละตัวได้กี่จุด และเราควรทำเครื่องหมายไว้ที่ไหน? คำตอบสำหรับคำถามนี้ส่งผลต่อภาระงานของการมาร์ก การฝึกอบรม และประสิทธิภาพการอนุมานที่ตามมา เพื่อแก้ไขปัญหานี้ เราต้องเข้าใจวิธีระบุวัวขาพิการเสียก่อน

จากการวิจัยของเราและข้อมูลจากลูกค้าผู้เชี่ยวชาญ วัวขาพิการในวิดีโอมีลักษณะดังต่อไปนี้:

• หลังโค้ง: คอและหลังโค้งงอเป็นรูปสามเหลี่ยมโดยมีรากของกระดูกคอ (โค้ง-หลัง)
• การพยักหน้าบ่อยๆ: แต่ละก้าวอาจทำให้วัวเสียการทรงตัวหรือลื่นไถลส่งผลให้เกิดขึ้นบ่อยครั้ง พยักหน้า (ส่ายหัว).
• การเดินไม่มั่นคง: การเดินของวัวเปลี่ยนไปหลังจากผ่านไปสองสามก้าว โดยมีการหยุดเล็กน้อย (รูปแบบการเดินเปลี่ยน)

ในส่วนของความโค้งของคอและหลัง รวมถึงการพยักหน้า ผู้เชี่ยวชาญจาก AWS Generative AI Innovation Center ได้พิจารณาแล้วว่าการทำเครื่องหมายจุดหลังเพียงเจ็ดจุด (จุดหนึ่งบนศีรษะ หนึ่งจุดที่ฐานคอ และห้าจุดที่ด้านหลัง) บนวัวสามารถ ส่งผลให้มีการระบุตัวตนที่ดี เนื่องจากตอนนี้เรามีกรอบการระบุตัวตนแล้ว เราจึงควรจดจำรูปแบบการเดินที่ไม่แน่นอนได้ด้วย

ต่อไป เราใช้นิพจน์ทางคณิตศาสตร์เพื่อแสดงผลลัพธ์การระบุตัวตนและอัลกอริทึมของแบบฟอร์ม

การระบุปัญหาเหล่านี้โดยมนุษย์ไม่ใช่เรื่องยาก แต่ต้องใช้อัลกอริธึมที่แม่นยำเพื่อระบุตัวตนของคอมพิวเตอร์ ตัวอย่างเช่น โปรแกรมจะรู้ระดับความโค้งของหลังวัวได้อย่างไรโดยพิจารณาจากชุดจุดพิกัดหลังวัว จะรู้ได้อย่างไรว่าวัวกำลังพยักหน้า?

ในแง่ของความโค้งของหลัง ขั้นแรกเราจะพิจารณาหลังวัวเป็นมุมหนึ่ง จากนั้นเราจะหาจุดยอดของมุมนั้น ซึ่งช่วยให้เราคำนวณมุมได้ ปัญหาของวิธีนี้คือกระดูกสันหลังอาจมีความโค้งแบบสองทิศทาง ทำให้ระบุจุดยอดของมุมได้ยาก สิ่งนี้จำเป็นต้องเปลี่ยนไปใช้อัลกอริธึมอื่นเพื่อแก้ไขปัญหา

ในแง่ของการพยักหน้า อันดับแรกเราใช้ระยะเฟรเชต์เพื่อพิจารณาว่าวัวพยักหน้าหรือไม่ โดยการเปรียบเทียบส่วนโค้งของท่าทางโดยรวมของวัว อย่างไรก็ตาม ปัญหาคือจุดโครงกระดูกของวัวอาจจะถูกแทนที่ ทำให้เกิดระยะห่างอย่างมากระหว่างเส้นโค้งที่คล้ายกัน เพื่อแก้ปัญหานี้ เราจำเป็นต้องถอดตำแหน่งของศีรษะที่สัมพันธ์กับกล่องการจดจำออกและทำให้เป็นมาตรฐาน

หลังจากปรับตำแหน่งของศีรษะให้เป็นปกติแล้ว เราก็พบปัญหาใหม่ ในภาพต่อไปนี้ กราฟด้านซ้ายแสดงการเปลี่ยนแปลงตำแหน่งหัววัว เราจะเห็นได้ว่าเนื่องจากปัญหาความแม่นยำในการจดจำ ตำแหน่งของจุดส่วนหัวจะสั่นเล็กน้อยอย่างต่อเนื่อง เราจำเป็นต้องลบการเคลื่อนไหวเล็กๆ เหล่านี้ออก และค้นหาแนวโน้มการเคลื่อนไหวที่ค่อนข้างใหญ่ของศีรษะ นี่คือสิ่งที่จำเป็นต้องมีความรู้บางอย่างเกี่ยวกับการประมวลผลสัญญาณ ด้วยการใช้ตัวกรอง Savitzky-Golay เราสามารถปรับสัญญาณให้ราบรื่นและรับแนวโน้มโดยรวม ทำให้เราระบุการพยักหน้าได้ง่ายขึ้น ดังที่แสดงโดยเส้นโค้งสีส้มในกราฟทางด้านขวา

นอกจากนี้ หลังจากการจดจำวิดีโอหลายสิบชั่วโมง เราพบว่าวัวบางตัวที่มีความโค้งของหลังสูงมากจริงๆ แล้วไม่มีหลังโค้ง การตรวจสอบเพิ่มเติมพบว่าเป็นเพราะวัวส่วนใหญ่ที่ใช้ในการฝึกโมเดล DLC ส่วนใหญ่เป็นสีดำหรือขาวดำ และมีวัวไม่มากนักที่ส่วนใหญ่เป็นสีขาวหรือใกล้เคียงกับสีขาวบริสุทธิ์ ส่งผลให้แบบจำลองจดจำพวกมันไม่ถูกต้องเมื่อ พวกมันมีพื้นที่สีขาวขนาดใหญ่บนร่างกาย ดังแสดงด้วยลูกศรสีแดงในรูปด้านล่าง ซึ่งสามารถแก้ไขได้ด้วยการฝึกโมเดลเพิ่มเติม

นอกเหนือจากการแก้ปัญหาก่อนหน้านี้แล้ว ยังมีปัญหาทั่วไปอื่นๆ ที่ต้องแก้ไขอีกด้วย:

• มีสองเส้นทางในเฟรมวิดีโอ และอาจจดจำวัวที่อยู่ระยะไกลได้เช่นกัน ซึ่งก่อให้เกิดปัญหา
• เส้นทางในวิดีโอมีความโค้งเช่นกัน และความยาวลำตัวของวัวจะสั้นลงเมื่อวัวอยู่ด้านข้างของเส้นทาง ทำให้มองเห็นท่าทางที่ไม่ถูกต้องได้ง่าย
• เนื่องจากการทับซ้อนกันของวัวหลายตัวหรือการกีดขวางจากรั้ว วัวตัวเดียวกันอาจถูกระบุว่าเป็นวัวสองตัว
• เนื่องจากพารามิเตอร์การติดตามและการข้ามเฟรมของกล้องเป็นครั้งคราว จึงเป็นไปไม่ได้ที่จะติดตามวัวอย่างถูกต้อง ส่งผลให้เกิดปัญหาความสับสนใน ID

ในระยะสั้น ตามความสอดคล้องกับ New Hope Dairy ในการส่งมอบผลิตภัณฑ์ที่มีประสิทธิภาพขั้นต่ำแล้วทำซ้ำ ปัญหาเหล่านี้มักจะสามารถแก้ไขได้ด้วยอัลกอริธึมการตัดสินที่ผิดปกติรวมกับการกรองความเชื่อมั่น และหากไม่สามารถแก้ไขได้ ปัญหาเหล่านี้จะกลายเป็น ข้อมูลที่ไม่ถูกต้อง ซึ่งทำให้เราต้องฝึกอบรมเพิ่มเติมและทำซ้ำอัลกอริทึมและแบบจำลองของเราอย่างต่อเนื่อง

ในระยะยาว, ฉลาก AWS AI เซี่ยงไฮ้ ให้คำแนะนำการทดลองในอนาคตเพื่อแก้ไขปัญหาก่อนหน้านี้โดยอิงจากการวิจัยที่เน้นวัตถุเป็นศูนย์กลาง: เชื่อมช่องว่างสู่การเรียนรู้แบบเน้นวัตถุเป็นศูนย์กลางในโลกแห่งความเป็นจริง และ การแบ่งส่วนออบเจ็กต์วิดีโอ Amodal ที่ดูแลตนเอง. นอกจากการทำให้ข้อมูลผิดปกติเหล่านั้นเป็นโมฆะแล้ว ปัญหายังสามารถแก้ไขได้ด้วยการพัฒนาแบบจำลองระดับออบเจ็กต์ที่แม่นยำยิ่งขึ้นสำหรับการประมาณค่า การแบ่งส่วนอะโมดัล และการติดตามภายใต้การดูแล อย่างไรก็ตาม กระบวนการวิชันซิสเต็มแบบดั้งเดิมสำหรับงานเหล่านี้มักต้องมีการติดฉลากที่กว้างขวาง การเรียนรู้แบบเน้นวัตถุมุ่งเน้นไปที่การแก้ปัญหาการเชื่อมโยงระหว่างพิกเซลกับวัตถุโดยไม่มีการควบคุมดูแลเพิ่มเติม กระบวนการรวมไม่เพียงแต่ให้ข้อมูลเกี่ยวกับตำแหน่งของออบเจ็กต์เท่านั้น แต่ยังส่งผลให้เกิดการแสดงออบเจ็กต์ที่แข็งแกร่งและปรับเปลี่ยนได้สำหรับงานดาวน์สตรีมอีกด้วย เนื่องจากไปป์ไลน์แบบเน้นวัตถุมุ่งเน้นไปที่การตั้งค่าแบบมีการดูแลตนเองหรือแบบมีผู้ดูแลอย่างไม่รัดกุม เราจึงสามารถปรับปรุงประสิทธิภาพได้โดยไม่ต้องเพิ่มต้นทุนการติดฉลากอย่างมีนัยสำคัญสำหรับลูกค้าของเรา

หลังจากแก้ไขปัญหาต่างๆ และรวมคะแนนที่สัตวแพทย์ฟาร์มและนักโภชนาการมอบให้ เราได้รับคะแนนอาการขาเจ็บที่ครอบคลุมสำหรับวัว ซึ่งช่วยให้เราระบุวัวที่มีระดับอาการขาเจ็บต่างกัน เช่น รุนแรง ปานกลาง และเล็กน้อย และยังสามารถ ระบุคุณลักษณะท่าทางต่างๆ ของร่างกายของวัว เพื่อช่วยวิเคราะห์และตัดสินเพิ่มเติม

ภายในไม่กี่สัปดาห์ เราได้พัฒนาโซลูชันแบบ end-to-end สำหรับการระบุวัวง่อย กล้องฮาร์ดแวร์สำหรับโซลูชันนี้มีราคาเพียง 300 หยวน และ อเมซอน SageMaker การอนุมานแบบกลุ่ม เมื่อใช้อินสแตนซ์ g4dn.xlarge จะใช้เวลาประมาณ 50 ชั่วโมงสำหรับวิดีโอ 2 ชั่วโมง รวมมูลค่าเพียง 300 หยวน เมื่อเข้าสู่การผลิต หากตรวจพบวัวห้าชุดต่อสัปดาห์ (สมมติว่าประมาณ 10 ชั่วโมง) และรวมถึงวิดีโอและข้อมูลที่บันทึกไว้อย่างต่อเนื่อง ค่าใช้จ่ายในการตรวจจับรายเดือนสำหรับฟาร์มขนาดกลางที่มีวัวหลายพันตัวจะน้อยกว่า 10,000 หยวน

ปัจจุบันกระบวนการโมเดล Machine Learning ของเราเป็นดังนี้:

1. วิดีโอ Raw จะถูกบันทึก
2. วัวถูกตรวจพบและระบุ
3. มีการติดตามวัวแต่ละตัวและตรวจพบจุดสำคัญ
4. วิเคราะห์การเคลื่อนไหวของวัวแต่ละตัว
5. มีการกำหนดคะแนนความบกพร่อง

การปรับใช้โมเดล

เราได้อธิบายวิธีแก้ปัญหาในการระบุวัวง่อยโดยอาศัยการเรียนรู้ของเครื่องมาก่อน ตอนนี้ เราจำเป็นต้องปรับใช้โมเดลเหล่านี้บน SageMaker ดังแสดงในรูปต่อไปนี้:

การดำเนินธุรกิจ

แน่นอนว่าสิ่งที่เราได้พูดคุยกันจนถึงขณะนี้เป็นเพียงแกนหลักของโซลูชันทางเทคนิคของเรา เพื่อรวมโซลูชันทั้งหมดเข้ากับกระบวนการทางธุรกิจ เรายังต้องแก้ไขปัญหาต่อไปนี้:

• ข้อเสนอแนะข้อมูล: ตัวอย่างเช่น เราต้องจัดเตรียมอินเทอร์เฟซให้สัตวแพทย์เพื่อกรองและดูวัวขาพิการที่ต้องได้รับการประมวลผลและรวบรวมข้อมูลในระหว่างกระบวนการนี้เพื่อใช้เป็นข้อมูลการฝึกอบรม
• บัตรประจำตัววัว: หลังจากที่สัตวแพทย์เห็นวัวง่อยแล้ว พวกเขาจำเป็นต้องทราบตัวตนของวัวด้วย เช่น หมายเลขและปากกา
• การวางตำแหน่งวัว: ในคอกที่มีวัวหลายร้อยตัว ให้ค้นหาวัวเป้าหมายอย่างรวดเร็ว
• การขุดข้อมูล: ตัวอย่างเช่น ค้นหาว่าระดับของอาการขาเจ็บส่งผลต่อการให้อาหาร การเคี้ยวเอื้อง การพักผ่อน และการผลิตน้ำนมอย่างไร
• ขับเคลื่อนด้วยข้อมูล: ตัวอย่างเช่น ระบุลักษณะทางพันธุกรรม สรีรวิทยา และพฤติกรรมของวัวขาพิการเพื่อให้ได้การผสมพันธุ์และการสืบพันธุ์ที่เหมาะสมที่สุด

การแก้ไขปัญหาเหล่านี้เท่านั้นที่สามารถแก้ไขปัญหาทางธุรกิจได้อย่างแท้จริง และข้อมูลที่รวบรวมจะสามารถสร้างมูลค่าในระยะยาวได้ ปัญหาเหล่านี้บางส่วนเป็นปัญหาการรวมระบบ ในขณะที่ปัญหาอื่นๆ คือปัญหาการรวมเทคโนโลยีและธุรกิจ เราจะแบ่งปันข้อมูลเพิ่มเติมเกี่ยวกับปัญหาเหล่านี้ในบทความต่อๆ ไป

สรุป

ในบทความนี้ เราได้อธิบายโดยย่อว่าทีม AWS Customer Solutions สร้างสรรค์นวัตกรรมอย่างรวดเร็วตามธุรกิจของลูกค้าได้อย่างไร กลไกนี้มีลักษณะหลายประการ:

• ธุรกิจนำ: จัดลำดับความสำคัญของการทำความเข้าใจอุตสาหกรรมและกระบวนการทางธุรกิจของลูกค้าทั้งในสถานที่และด้วยตนเองก่อนที่จะหารือเกี่ยวกับเทคโนโลยี จากนั้นเจาะลึกจุดเจ็บปวด ความท้าทาย และปัญหาของลูกค้าเพื่อระบุปัญหาสำคัญที่สามารถแก้ไขได้ด้วยเทคโนโลยี
• ใช้งานได้ทันที: มอบต้นแบบที่เรียบง่ายแต่สมบูรณ์และใช้งานได้ให้กับลูกค้าโดยตรงเพื่อการทดสอบ ตรวจสอบ และทำซ้ำอย่างรวดเร็วภายในไม่กี่สัปดาห์ ไม่ใช่หลายเดือน
• ต้นทุนต่ำสุด: ลดหรือขจัดต้นทุนของลูกค้าก่อนที่มูลค่าจะได้รับการตรวจสอบอย่างแท้จริง โดยหลีกเลี่ยงความกังวลเกี่ยวกับอนาคต สิ่งนี้สอดคล้องกับ AWS ความประหยัด หลักการเป็นผู้นำ

ในโครงการนวัตกรรมความร่วมมือของเรากับอุตสาหกรรมนม เราไม่เพียงแต่เริ่มต้นจากมุมมองทางธุรกิจเพื่อระบุปัญหาทางธุรกิจเฉพาะกับผู้เชี่ยวชาญทางธุรกิจ แต่ยังดำเนินการตรวจสอบในสถานที่ที่ฟาร์มและโรงงานร่วมกับลูกค้าอีกด้วย เรากำหนดตำแหน่งกล้องในสถานที่ ติดตั้งและใช้งานกล้อง และปรับใช้โซลูชันการสตรีมวิดีโอ ผู้เชี่ยวชาญจาก AWS Generative AI Innovation Center วิเคราะห์ความต้องการของลูกค้าและพัฒนาอัลกอริทึม ซึ่งจากนั้นได้รับการออกแบบโดยสถาปนิกโซลูชันสำหรับอัลกอริทึมทั้งหมด

จากการอนุมานแต่ละครั้ง เราสามารถรับวิดีโอการเดินวัวที่แยกย่อยและติดแท็กได้หลายพันรายการ โดยแต่ละรายการมีรหัสวิดีโอต้นฉบับ รหัสประจำตัววัว คะแนนอาการขาเจ็บ และคะแนนรายละเอียดต่างๆ ตรรกะการคำนวณที่สมบูรณ์และข้อมูลการเดินแบบดิบจะถูกเก็บไว้เพื่อการปรับอัลกอริทึมให้เหมาะสมในภายหลัง

ข้อมูลอาการขาเจ็บไม่เพียงแต่ใช้สำหรับการแทรกแซงในระยะเริ่มแรกโดยสัตวแพทย์เท่านั้น แต่ยังรวมกับข้อมูลเครื่องรีดนมเพื่อการวิเคราะห์ข้าม การให้มิติการตรวจสอบเพิ่มเติมและตอบคำถามทางธุรกิจเพิ่มเติม เช่น ลักษณะทางกายภาพของวัวที่มีค่าสูงสุดคืออะไร ผลผลิตน้ำนม? อาการขาเจ็บส่งผลต่อการผลิตน้ำนมในวัวอย่างไร? สาเหตุหลักของวัวง่อยคืออะไร และจะป้องกันได้อย่างไร? ข้อมูลนี้จะให้แนวคิดใหม่ๆ สำหรับการดำเนินกิจการฟาร์ม

เรื่องราวของการระบุวัวง่อยจบลงที่นี่ แต่เรื่องราวของนวัตกรรมในฟาร์มเพิ่งเริ่มต้นเท่านั้น ในบทความต่อๆ ไป เราจะพูดคุยกันต่อไปว่าเราทำงานอย่างใกล้ชิดกับลูกค้าเพื่อแก้ไขปัญหาอื่นๆ อย่างไร

---

เกี่ยวกับผู้เขียน

ห่าวหวาง เป็นนักวิทยาศาสตร์ประยุกต์ที่ AWS Generative AI Innovation Center เขาเชี่ยวชาญด้าน Computer Vision (CV) และ Visual-Language Model (VLM) เมื่อเร็ว ๆ นี้ เขาได้พัฒนาความสนใจอย่างมากในเทคโนโลยี AI เชิงกำเนิด และได้ร่วมมือกับลูกค้าแล้วในการใช้เทคโนโลยีล้ำสมัยเหล่านี้กับธุรกิจของพวกเขา เขายังเป็นผู้ตรวจสอบการประชุม AI เช่น ICCV และ AAAI

เป่ยหยางเหอ เป็นนักวิทยาศาสตร์ข้อมูลอาวุโสที่ AWS Generative AI Innovation Center เธอทำงานร่วมกับลูกค้าในอุตสาหกรรมที่หลากหลายเพื่อแก้ปัญหาความต้องการทางธุรกิจที่เร่งด่วนและสร้างสรรค์ที่สุดโดยใช้ประโยชน์จากโซลูชัน GenAI/ML ในเวลาว่าง เธอชอบเล่นสกีและท่องเที่ยว

เสวี่ยเฟิง หลิว นำทีมวิทยาศาสตร์ที่ AWS Generative AI Innovation Center ในภูมิภาคเอเชียแปซิฟิกและจีนแผ่นดินใหญ่ ทีมของเขาร่วมมือกับลูกค้า AWS ในโครงการ Generative AI โดยมีเป้าหมายในการเร่งให้ลูกค้านำ AI มาใช้

เทียนจุน เซียว เป็นนักวิทยาศาสตร์ประยุกต์อาวุโสที่ AWS AI Shanghai Lablet ซึ่งร่วมเป็นผู้นำด้านความพยายามด้านคอมพิวเตอร์วิทัศน์ ปัจจุบันจุดสนใจหลักของเขาอยู่ที่ขอบเขตของแบบจำลองพื้นฐานหลายรูปแบบและการเรียนรู้แบบเน้นวัตถุเป็นศูนย์กลาง เขากำลังตรวจสอบศักยภาพของพวกเขาในการใช้งานที่หลากหลาย รวมถึงการวิเคราะห์วิดีโอ มุมมอง 3 มิติ และการขับขี่แบบอัตโนมัติ

จาง ได เป็นสถาปนิกโซลูชันอาวุโสของ AWS สำหรับภาคธุรกิจภูมิศาสตร์ของจีน เขาช่วยให้บริษัทขนาดต่างๆ บรรลุเป้าหมายทางธุรกิจด้วยการให้คำปรึกษาเกี่ยวกับกระบวนการทางธุรกิจ ประสบการณ์ผู้ใช้ และเทคโนโลยีคลาวด์ เขาเป็นนักเขียนบล็อกที่มีผลงานมากมายและเป็นผู้เขียนหนังสือสองเล่ม ได้แก่ The Modern Autodidact และ Designing Experience

เจียนหยู่ เจิง เป็นผู้จัดการโซลูชันลูกค้าอาวุโสที่ AWS ซึ่งมีหน้าที่รับผิดชอบในการสนับสนุนลูกค้า เช่น กลุ่ม New Hope ในระหว่างการเปลี่ยนผ่านระบบคลาวด์ และช่วยเหลือพวกเขาในการตระหนักถึงคุณค่าทางธุรกิจผ่านโซลูชันเทคโนโลยีบนระบบคลาวด์ ด้วยความสนใจอย่างมากในด้านปัญญาประดิษฐ์ เขาจึงค้นหาวิธีการใช้ประโยชน์จาก AI เพื่อขับเคลื่อนการเปลี่ยนแปลงเชิงนวัตกรรมในธุรกิจของลูกค้าของเราอย่างต่อเนื่อง

แครอล ตง มิน เป็นผู้จัดการฝ่ายพัฒนาธุรกิจอาวุโส ซึ่งรับผิดชอบฝ่ายบัญชีหลักใน GCR GEO West รวมถึงลูกค้าองค์กรที่สำคัญสองราย ได้แก่ Jiannanchun Group และ New Hope Group เธอเป็นคนที่หมกมุ่นอยู่กับลูกค้าและหลงใหลในการสนับสนุนและเร่งการเดินทางบนระบบคลาวด์ของลูกค้าอยู่เสมอ

นิค เจียง เป็นผู้เชี่ยวชาญอาวุโสด้านการขายของทีม AIML SSO ในประเทศจีน เขามุ่งเน้นไปที่การถ่ายโอนโซลูชัน AIML ที่เป็นนวัตกรรมใหม่และช่วยเหลือลูกค้าในการสร้างปริมาณงานที่เกี่ยวข้องกับ AI ภายใน AWS

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/keeping-an-eye-on-your-cattle-using-ai-technology/